Abstract
본 논문에서는 심박 변이도 (HRV)에 기반한 수면 단계 분류를 위한 대체 기술을 제시했다. 각성, REM (Rapid Eye Movement) 수면 및 NREM (Non-REM) 수면을 분류하기 위해 간단한 주제별 체계와 보다 실용적인 주제 독립적 체계를 설계했다. 45명의 건강한 피험자의 RR 시퀀스에서 추출한 41개의 HRV 특징을 Random Forest (RF) 방법을 통해 훈련 및 테스트했다. 기능 중 25개는 수면 연구에 처음으로 제안되거나 적용됐다. subject independent classifier의 경우 모든 기능은 개발된 분위수 값 기반 방법으로 정규화되었다. 또한, 수면 단계에 대한 각 기능의 중요성도 RF로 평가하고 적절한 기능 수를 탐색했다. 주제별 분류기의 경우 Cohen의 kappa 통계량을 사용한 평균 정확도는 88.67%이다.0.7393의 κ가 달성되었다. 정확도와 κ는 subject independent classifier를 고려했을 때 각각 72.58%와 0.4627로 떨어졌다. 새로 제안된 일부 HRV 기능은 기존 기능보다 더 효과적으로 수행되었다. 제안된 방법은 거칠고 편리한 수면 단계 분류를 위한 대안 또는 보조 기법으로 사용될 수 있다.
실제로 자율신경계 (ANS)의 조절로 인해 심박 변이도 (HRV), 호흡 노력 및 산소 포화도와 같은 일부 다른 생물학적 신호도 특징적인 행동을 나타낸다. 수면 유형과 깊이에 따라 다르다. 특히, HRV는 일반적으로 몇 개의 전극만 있는 일부 보행 장치에서 얻을 수 있는 심전도 (ECG)의 RR 간격에서 파생된다. 편리함과 저비용의 장점을 보여주며, ANS 기능에 대한 통찰력을 얻기 위한 비침습적 방법으로 널리 사용된다. 수많은 연구에서 심박수 (HR)가 NREM 수면의 가변성 감소와 관련하여 감소하는 반면, HR은 각성 및 REM 수면의 가변성 증가와 함께 증가하는 것으로 나타났다.
본 논문에서는 시간 영역 측정, 주파수 영역 측정, 비선형 매개변수를 포함한 총 41개의 포괄적인 HRV 특징을 추출했다. 25개의 기능이 수면 연구에 최초로 제안 또는 적용되었다. 그런 다음 Random Forest (RF)의 분류 방법을 두 가지 체계, 즉 주제별 체계와 주제 독립적 체계 내에서 뚜렷한 각성, REM 수면 및 NREM 수면에 적용했다 또한, 모든 단일 기능의 중요성을 평가하고 적절한 기능 수를 탐색했다.
Data
데이터베이스에서 RR 간격은 자동 리듬 분석에 의해 500Hz의 샘플링 주파수에서 ECG 신호에서 추출되었다. 또한, RR 레코드의 정상성도 설명되었다. 본 연구에서는 정지 (stationarity)로 표시된 데이터만 분석하고, 나머지는 인공물 (artifact) 또는 비정지 (non-stationary)로 표시된 데이터와 조기박동, 심방세동, 발작성 빈맥, 수면 무호흡증 등은 제외되었다. 또한, NREM 수면 단계 1, 2, 3, 4는 NREM 수면으로 결합되었지만 각성과 REM 수면은 동일하게 유지되었다.
RR preprocessing and section
RR 전처리는 효과적인 HRV 특징을 추출하기 위한 전제 조건이다. 이상값의 영향을 제거하기 위해 각 RR 값을 테스트 값을 중심으로 하는 21 포인트 직사각형 window 내에서 평균 값 (mRR)과 비교했다. RR이 0.5*mRR보다 작거나 1.5*mRR보다 크면 mRR로 대체되고 그렇지 않으면 동일하게 유지된다. 이렇게 얻은 시퀀스를 RR norm이라고 한다.
그 후, 각 RR 시퀀스가 섹션화되었다. 처음에는 각 RR 기록을 수면 단계 분류와 시간적으로 동기화하는 30초 단위로 나누었다. 그런 다음 전체 기록은 매 30초 에포크 5분 지속 시간으로 섹션으로 더 세분화되었다. 겹치는 모든 5분 섹션은 특정 수면 단계에 속하며 분석할 데이터이다. 편의상 이러한 5분 섹션을 RR norm이라고 한다.
Time domain features
통계적 방법을 통해 RR 간격의 변화를 분석하는 시간 영역 기능은 HRV를 특성화하는 가장 간단하고 직관적인 측정 방법이다.
